基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究EI北大核心CSCD

常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法

针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则(BPDICNN);再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行"端到端"的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。     

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络（Depthwise Separable Residual Network,DS-ResNet）的滚动轴承故障诊断方法。采用快速傅里叶变换（Fast Fourier Transform,FFT）将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积（Depthwise Separable Convolution,DSC）计算复杂度低和逐点卷积（Pointwise Convolution,PWC）能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS-ResNet模型。将各类故障状态下的频域信号作为DS-ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于分布式深度神经网络的刮板输送机启停工况故障诊断方法

针对目前基于集中式云计算的深度学习模型在刮板输送机启停工况故障诊断中，因通讯量过大而难以满足实时性需求的问题，提出了一种基于分布式深度神经网络的刮板输送机启停工况故障诊断方法。采用深度神经网络对数据融合、数图转化后的刮板输送机监测数据进行特征自提取；在深度神经网络模型上添加引进卷积特征袋的分支结构，利用分支点将深度神经网络分为可以部署在边缘端的浅层部分和云端的深层部分；通过云边协同的推理方式，实现刮板输送机启停工况故障诊断。选用某矿刮板输送机真实运行数据进行了验证，结果表明，与经典的集中式云计算深度学习模型相比，该方法在保持99.5%最高精度的同时，通讯成本降低85.3%。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于改进对抗迁移学习的滚动轴承故障诊断研究

为解决故障诊断中标签不足的问题,该文以滚动轴承作为对象提出一种改进的对抗迁移学习模型。该模型通过一维卷积结构提取时间信号特征,能够直接处理时域振动信号,并通过大尺寸卷积核抑制噪声的干扰;在对抗迁移学习的域判别器中采用卷积结构替换全连接神经网络,以对抗训练的方式减少训练数据和测试数据间的分布差异,以提高故障诊断精度。将改进后的模型应用于两个滚动轴承故障诊断案例中,通过添加不同信噪比的噪声信号验证提出的模型具有良好的抗干扰能力,同时以故障分类正确率作为指标,验证该模型具有更高的诊断精度和鲁棒性。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

基于CNN-SVM的深度卷积神经网络轴承故障识别研究

针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。     

基于MDFF与ISSA的滚动轴承故障声发射诊断

针对滚动轴承早期、复合故障难以准确诊断与智能诊断模型超参数确定严重依赖专家先验知识问题,提出一种基于多维深度特征融合(multi-dimensional depth feature fusion, MDFF)与改进麻雀搜索算法(improved sparrow search algorithm, ISSA)的滚动轴承故障声发射诊断方法。用一维卷积与线性瓶颈反向残差二维卷积神经网络构建多输入卷积神经网络(convolution neural network, CNN)结构的诊断模型,模型输入为滚动轴承声发射信号及其小波时频图,提出基于布伦纳梯度和信噪比的质量指标,在108种小波基中筛选出最佳时频图以提升输入数据质量。接着,采用特征金字塔网络将模型的一、二维低层与高层特征融合,建立深度融合的诊断模型。然后,将交叉混沌映射、自适应权重及融合的随机游走策略引入麻雀搜索算法中,以自适应获取MDFFCNN最优超参数。试验表明,对比近期多个主流智能诊断算法,所提方法可避免人工选择诊断模型超参数,对滚动轴承早期尤其复合故障具有更高的诊断精度和稳定性,模型诊断过程的智能化水平得到了进一步提高。     

基于改进CNN的噪声以及变负载条件下滚动轴承故障诊断方法

针对现有轴承故障诊断方法应对噪声以及变负载条件下诊断能力不足问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和有效通道注意力模块(Efficient Channel Attention,ECA)的滚动轴承故障诊断方法.该方法首先通过卷积神经网络对原始信号进行自适应故障...     

基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断

滚动轴承故障诊断是提高设备利用率、降低运行及维护成本关键。最小二乘支持向量回归机为有效的故障诊断方法,为解决其参数选取受限于主观经验问题,将萤火虫群算法用于惩罚系数C与核参数σ寻优,提出基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断方法。实验结果表明,该方法能对滚动轴承故障位置及程度进行准确诊断,与常规最小二乘支持向量回归机、BP神经网络相比精度更高,由此验证该方法的可靠性。     

基于数据增强的滚动轴承智能故障诊断方法

目的 针对包装机械设备中滚动轴承应用场景多且有效故障数据难采集而导致的智能诊断方法诊断准确率较低的问题,提出一种基于数据增强的滚动轴承智能诊断方法.方法 首先根据轴承振动信号的故障特征,提出一种数据增强方法,有效扩充训练数据样本多样性.然后采用卷积神经网络对原始样本和增强样本进行故障诊断训练,从而大幅度提高诊断模型的诊断性能.为了验证所提方法的有效性,建立滚动轴承故障试验台并采集轴承故障数据.结果 实验结果表明,在标签训练样本不充足的情况下,提出的方法与不使用数据增强方法相比,模型在诊断准确率方面取得了较大的提高,能够准确地识别各类轴承故障.结论 该方法实现了准确地对稀缺标记样本下滚动轴承故障的诊断,为保证包装机械滚动轴承故障诊断的诊断精度提供了可靠的方法.     

基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法

针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理"大数据"的故障诊断方法。     

DE算法优化CNN的滚动轴承故障诊断研究

针对卷积神经网络（Convolutional Neural Network,CNN）在滚动轴承故障诊断应用中所存在超参数难以确定、网络输出不稳定等问题,提出一种基于差分进化算法（Differential Evolution,DE）优化卷积神经网络的故障诊断模型（CNN-DE）。首先,该故障诊断模型利用DE算法来自适应调节CNN中的超参数,同时将CNN的诊断精度和稳定性一起作为DE算法优化的目标,使得CNN在保证精度的同时降低网络的波动;其次,使用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）结合多参数的诊断方法,从原始信号中提取出更加有效的故障特征;最后,根据提取出的特征采用CNN-DE、CNN和BP等算法进行故障诊断,结果表明所提出的算法模型拥有更高的精度和更稳定的性能,也具有优异的抗噪能力,显示了CNN-DE在故障诊断应用中的可靠性。     

基于深度迁移学习的滑动轴承-转子故障诊断

深度神经网络在滚动轴承故障诊断领域得到广泛应用,而将深度神经网络应用于滑动轴承-转子系统故障诊断的研究较少。其中大多数研究假设轴承故障的训练数据与测试数据分布相同,基于该训练数据得到的神经网络能较好地对轴承故障进行描述,但当轴承转子系统的结构和工况发生变化,原神经网络就不能对故障进行准确诊断。提出一种基于改进型联合分布差异（Improved Joint Distribution Discrepancy,IM-JDD）方法的深度卷积迁移学习框架(Deep Convolutional Transfer Learning Network,DCTLN),该框架采用二维振动图像作为网络输入,通过深度卷积神经网络提取图像的可迁移特征,提出的改进型联合分布差异方法实现了不同结构及工况下滑动轴承-转子系统故障特征的迁移学习。最后在结构不同的滑动轴承-转子实验台上进行测试,结果表明,本框架在不同工况下和不同机器间对无标记故障样本具有较强的诊断能力,并优于其他竞争方法。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。